过拟合：模型在训练数据上表现良好对不可见数据的泛化能力差。

欠拟合：模型在训练数据和不可见数据上泛化能力都很差。

欠拟合常见解决办法：

（1）增加新特征，可以考虑加入特征组合、高次特征，以此增大假设空间。

（2）添加多项式特征，这个在机器学习算法里用得很普遍，例如将线性模型通过添加二次项或者三次项使模型泛化能力更强。

（3）减少正则化参数，正则化的目的是用来防止过拟合，但是模型出现了欠拟合，则需要减少正则化参数。

（4）使用非线性模型，例如支持向量机、决策树、深度学习等模型。

（5）调整模型的容量（Capacity），通俗地讲，模型的容量是指其拟合各种函数的能力。

（6）使用集成学习方法，如使用Bagging，可将多个弱学习器Bagging。

过拟合常见解决办法：

（1）使用权值衰减的方法，即每次迭代过程中以某个小因子降低每个权值。

（2）选取合适的停止训练标准，使对机器的训练在合适的程度。

（3）保留验证数据集，对训练成果进行验证。

（4）获取额外数据进行交叉验证。

（5）正则化，即在进行目标函数或代价函数优化时，在目标函数或代价函数后面加上一个正则项，一般有L1正则与L2正则等。